Supervised Learning

L'apprentissage supervisé est une approche fondamentale en intelligence artificielle (IA) où les algorithmes sont entraînés sur des données d'entrée étiquetées avec la sortie correcte. Dans cette méthode, le modèle apprend en comparant ses propres prédictions à ces étiquettes fournies, disposant essentiellement d'un « superviseur » pour le corriger pendant le processus d'entraînement. L'objectif principal est que le système apprenne suffisamment bien la fonction de correspondance des entrées aux sorties pour pouvoir prédire avec précision les étiquettes de données de test nouvelles et inédites. Cette technique est le moteur de nombreuses applications d'IA les plus pratiques et les plus réussies utilisées aujourd'hui, allant des filtres anti-spam pour e-mails aux systèmes de conduite autonome.

Comment fonctionne l'apprentissage supervisé#

Le flux de travail de l'apprentissage supervisé s'articule autour de l'utilisation de données étiquetées. Un jeu de données est constitué de sorte que chaque exemple d'entraînement est associé à une étiquette de « vérité terrain » correspondante. Pendant la phase d'entraînement du modèle, l'algorithme traite les caractéristiques d'entrée et génère une prédiction. Une formule mathématique appelée fonction de perte mesure ensuite l'erreur, c'est-à-dire la différence entre la prédiction du modèle et l'étiquette réelle.

Pour minimiser cette erreur, un algorithme d'optimisation, tel que la descente de gradient stochastique (SGD), ajuste de manière itérative les paramètres internes du modèle ou les poids du modèle. Ce processus se répète sur de nombreux cycles, appelés époques, jusqu'à ce que le modèle atteigne un niveau de précision satisfaisant sans surapprentissage sur les données d'entraînement. Des outils comme la Ultralytics Platform simplifient l'ensemble de ce pipeline en gérant l'annotation, l'entraînement et l'évaluation des jeux de données dans un environnement unifié.

Types clés d'apprentissage supervisé#

Les problèmes d'apprentissage supervisé sont généralement classés en deux types principaux basés sur la nature de la variable cible :

• Classification : Cela consiste à prédire une catégorie discrète ou une étiquette de classe. Un exemple courant est la détection d'objets, où un modèle identifie et localise des objets dans une image, tels que « voiture », « personne » ou « feu tricolore ». Des modèles avancés comme Ultralytics YOLO26 excelent dans ces tâches en classant et en localisant rapidement plusieurs objets en temps réel.
• Analyse de régression : Cela consiste à prédire une valeur numérique continue. Par exemple, prédire le prix d'une maison en fonction de caractéristiques telles que la superficie, l'emplacement et le nombre de chambres est un problème de régression. Tu peux en apprendre davantage sur les fondements statistiques dans cette introduction à l'analyse de régression.

Applications concrètes#

L'apprentissage supervisé alimente un vaste éventail de technologies dans différents secteurs :

1. Diagnostic médical : En s'entraînant sur des milliers de radiographies ou de scanners IRM étiquetés, les modèles d'IA peuvent apprendre à détecter des anomalies telles que des tumeurs ou des fractures avec une haute précision. Cela aide les radiologues à poser des diagnostics plus rapides et plus précis. Vois comment YOLO11 est utilisé pour la détection de tumeurs pour comprendre l'impact médical.

2. Détection de fraude : Les institutions financières utilisent l'apprentissage supervisé pour surveiller les modèles de transaction. En s'entraînant sur des données historiques de transactions légitimes et frauduleuses, ces systèmes peuvent signaler des activités suspectes en temps réel, protégeant ainsi les clients contre le vol.

Apprentissage supervisé vs non supervisé#

Il est important de distinguer l'apprentissage supervisé de l'apprentissage non supervisé. Alors que l'apprentissage supervisé repose sur des paires entrée-sortie étiquetées, l'apprentissage non supervisé travaille avec des données non étiquetées. Dans les scénarios non supervisés, l'algorithme essaie de trouver par lui-même des structures, des modèles ou des regroupements cachés au sein des données, comme la segmentation de la clientèle en marketing. L'apprentissage supervisé est généralement plus précis pour des tâches spécifiques où des données historiques sont disponibles, tandis que l'apprentissage non supervisé est préférable pour l'analyse exploratoire des données.

Exemple pratique avec Ultralytics YOLO26#

L'apprentissage supervisé est central pour l'entraînement des modèles de vision par ordinateur modernes. L'extrait Python suivant montre comment entraîner un modèle YOLO26 à l'aide d'un jeu de données supervisé (COCO8). Le modèle apprend à partir des images étiquetées du jeu de données pour détecter des objets.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

Ce processus simple exploite la puissance de PyTorch en arrière-plan pour effectuer des opérations matricielles complexes et des calculs de gradient. Pour ceux qui cherchent à rationaliser l'aspect gestion des données, la Ultralytics Platform offre des outils pour l'entraînement basé sur le cloud et l'annotation automatique, rendant le flux de travail d'apprentissage supervisé nettement plus efficace.